曠視科技目標檢測概述beyond retinanet and mask r cnn

1、2018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-曠視科技目標檢測概述：Beyond RetinaNet and Mask R-曠視科技已認證的278 人贊了該文章帳號R Talk 是一個深度學習專欄，將通過不定期的推送展示曠視科技的學術(shù)及階段性技術(shù)成果。R是 Research 的縮寫，也是曠視視的 Researcher。R Talk 旨在通過一場場的內(nèi)部代號；而所有的Talk都是來自曠紛呈的深度學習，拋磚引玉，推新，推動中國乃至全球領域深度學習技術(shù)的大發(fā)展。近日，曠視科技 Research Leader、Detection 組博

2、士應邀在將門做了一次 Online。曠視科技把這次 Talk 內(nèi)容以文請見文末。Talk 分為 3 個環(huán)節(jié)：Talk，主題為 Beyond RetinaNet and Mask R-字形式梳理出來并作為R Talk 開篇給大家，原Introduction：什么是目標檢測，其技術(shù)現(xiàn)狀是什么；Challenges：目前目標檢測領域的五個點及曠視分別給出的技術(shù)解決方案；：物體檢測技術(shù)的任務遠未完成，the devil is in the detail。物體檢測本質(zhì)上面認為是在同時做分類跟兩個任務。在傳統(tǒng)方法，往往是把兩個任務割裂開來，先做（枚舉所有候選框），然后做分類。從深度學習，分類跟被耦合在網(wǎng)絡

3、中，彼此互相影響。深度神經(jīng)網(wǎng)絡的這幾年的發(fā)展非常迅速，但是目前的網(wǎng)絡設計對于分類跟這兩個任務很難得到熊掌兼得，希望物體檢測在未來的技術(shù)的推動下能有的發(fā)展，同時解決分類跟兩個難題。Introduction1/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-目標檢測技術(shù)是計算機視覺諸多應用的一個基本組件，（實時地）實現(xiàn)對不同類別物體又快又準的框定，準表現(xiàn)在兩個方面，準和分類準。通過手持拍攝的通用目標檢測中，曠視科技COCO 2017 目標檢測冠軍算法跑在從上圖中算法橫向比較來講很不錯，包括可以檢測出如只檢測出一堆玉米棒中的一個。

4、的一些，展現(xiàn)了當前最佳的水平。雖然反光上的人像，但依然有不少的 miss，比又比如汽車駕駛場景下的目標檢測，鼠標所指的小物體（汽車）并不是可以一直檢到，時有時無； 甚至還會出現(xiàn)一些錯誤的檢測結(jié)果?？梢姡壳暗哪繕藱z測技術(shù)確實做了不少的東西，出了很多的成果，但是細節(jié)上還是存在很多有待完善的問題。目標檢測算法成為了人工智能公司的大多數(shù)研發(fā)2/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-的標配，包括曠視科技，很多在很大程度上取決于檢測到多少物體。如果往更遠處看，目標檢測技術(shù)將會進一步應用到自動駕駛和醫(yī)療圖像診斷之中。現(xiàn)代目標檢

5、測傳統(tǒng)的目標檢測技術(shù)在接受深度學習洗禮之前多是基于 sliding window 來做的，遍歷一片上的所有 window，據(jù)其提取 hand-crafted 特征，其 pipeline 主要是“特征+分類器”；兩者最大的一個區(qū)別是基于深度學習的現(xiàn)代目標檢測技術(shù)特征是基于深度神經(jīng)網(wǎng)絡，傳統(tǒng)的目標檢測技術(shù)需要手動設計特征，比如 Haar、HOG、LBP、ACF 等；后面再加上一個分類器，分類器主要有SVM、Boosting 和隨機森林。3/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-深度學習出來之后，改變了整套框架。現(xiàn)代目標

6、檢測技術(shù)的 pipeline 為輸入（圖像）-> Backone（主干網(wǎng)絡） -> Head（出口） -> NMS（后處理），可以說目前所有的深度學習檢測器都是基于這套框架來做的；RetinaNet 和 Mask R-是 2017 年出現(xiàn)的兩個非常有代表性的成果, 兩者分別是 one-stage 和 two-stage 的，共同奠定了目標檢測框架的基調(diào)。在 RetinaNet 中，第 1-5 層的特征作為 backbone，第 3-7 層分別接 4 個卷積作為 head；Mask R-本質(zhì)上等價于 FPN+ ROIAlign，其第 1-5 層的特征作為 backbone，并在

7、 3-6 層的 head 上接 2 個全連接層作為輸出。 one-stage 和 two-stage 檢測器之間的本質(zhì)區(qū)別在于檢出率（recall）與（localization）之間的權(quán)衡（tradeoff）。Recall 是指如果一像上有 100個物體，檢測到 99 個，那么 recall 為 99%；Localization 則是指邊界框框住物體的空間上的精度。一般來講，one-stage 檢測器的 recall 較高，但是 localization 會有所折衷；相反， two-stage檢測器的能力則較強，但是 recall 較低，主要是第二個 stage 可以 refine 框的精度，

8、但是也會誤殺一些正樣本。但是大家普遍會覺得 one-stage 檢測器往往更快，比如 YOLO、SSD；two-stage 檢測器往往更準，比如 Faster R- 詳述。、FPN，但這個事情事實上并不成立，后文會有RetinaNet4/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-RetinaNet 出自 ICCV 2017 最佳學術(shù)Focal Loss for Dense Object Detection，本質(zhì)上它與 Mask R-非常相似。RetinaNet 結(jié)構(gòu)上主要基于 FPN，只是在輸出上做了一個非常重要的操作

9、Focal Loss，本質(zhì)上是一個 online hard negative data mining 的過程。RetinaNet 最大的一個亮點是在相同速度下性能優(yōu)于之前大多數(shù)算法；在相同性能下速度快于之前大多數(shù)算法，兼得速度與精度，徹底改變了大家從前關于 one-stage 快、two-stage 準的固有想法。參考：Focal Loss for Dense Object Detection：/abs/1708.0200Mask R-5/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-2017 年何愷明組

10、又做了另外一個工作，叫作 Mask R-，獲得了 ICCV 2017 最佳獎。如果拆來，Mask R-的結(jié)構(gòu)也非常簡單，本質(zhì)上是 FPN+ROIAlign，后者解決的是ROIPool 的對齊問題，它對于檢測可能意義不大，但是對于分割卻意義。由上圖可知，加上 ROIAlign 可以帶來 1+ 的漲點，達到 37.3，再加上 Mask 監(jiān)督信號則漲點更多，換上更大的 backbone (ResNeXt) 最高可達到 39.8。可以說這篇文章的最大貢獻是 ROIPool變換成 ROIAlign 從而解決了對問題。微軟亞洲資深研究員曾做過類似工作Deformable Pool，它本質(zhì)上等于 ROIAl

11、ign+Offset，所以邏輯上來講 Deformable Pool 也有對作用。通過上述分析可以看到，物體檢測技術(shù)發(fā)展到目前 pipeline 似乎已經(jīng)趨近成熟，進入瓶頸期，但是在當前錢最優(yōu)的技術(shù)水平與實際的體檢測。如何去填補這一差距呢？級別的實戰(zhàn)要求之間依然存在巨大的鴻溝，尤其是通用物參考：Mask R-：/abs/1703.0687Challenges6/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-我們認為，the devil is in the detail，本文將從五個細節(jié)點著手去填補這一差距

12、！通過從這些細節(jié)點出發(fā)，不斷優(yōu)化這項技術(shù)，才能推動其從 challenges 的角度講，我們再次回到現(xiàn)代目標檢測的基本框架輸入（圖像）-> Backone（主干網(wǎng)絡） -> Head（出口） -> NMS（后處理），這其中暴漏了五個潛在的難題：Backbone，目前主要使用的是 ImageNet Pretrained m DenseNet 等；s，比如 VGG-16、ResNet、Head，傳統(tǒng)的 two-stage 網(wǎng)絡慢的主要快；在于 head 太厚，可以對其進行，變得更薄、更Scale，比如圖像中人像的變化很大，大到 2k x 2k，小到 10 x 10，如何使神經(jīng)網(wǎng)絡

13、算法更好地處理物體的變化是一個非常有趣的話題；Batch Size，傳統(tǒng)目標檢測器的 batch size 非常小，為什么不嘗試使用更大的 batch size 呢？ Crowd，無論是傳統(tǒng)還是現(xiàn)代目標檢測器，都會使用到一個叫做 NMS 后處理步驟，但是目前現(xiàn)有的 Benchmark 對 NMS 的優(yōu)化并不敏感。以上五個點相當于拋磚引玉，雖然 RetinaNet 和 Mask R-出來之后成績很好，但是一些細節(jié)之處依然有待提升，曠視分別就這五個點給出了的嘗試。Backbone第一個細節(jié)點是 Backbone。很多主干網(wǎng)絡基于 ImageNet 預訓練，從而是分類任務進行設計的。分類網(wǎng)絡訓練到最

14、后會丟棄所有的空間分辨率信息，再做一個輸出；它只需要把全局信息、context 以及更大的感受野組合在一起，得到一個圖像分類層面的信息。7/262018/8/20但是這對于檢測、分割和R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-關鍵點等需要精確每個像素的計算機視覺任務來講并不友好。因為對檢測任務來講，不僅需要感受野的信息，還需要空間分辨率的信息。這是之前用 ImageNet 預訓練模型做檢測的一個非常大的誤區(qū)。另外一個誤區(qū)是包括 RetinaNet 和 Mask R-這兩個工作在內(nèi)，其第 1-5 層是預訓練的，但是第 6 層 (或者有些算法的

15、第 7 層）則是隨機初始化的，這不一定很科學，所以如何把 f6、f7 放進 ImageNet 進行預訓練是一個很有意思的話題。DetNet 是曠視專門目標檢測打造的 backbone 網(wǎng)絡，代碼稍后會開源。DetNet 雖然也是針對分類問題進行訓練，但會考慮到始化權(quán)重更為科學。問題的需求；另外就是在 ImageNet 預訓練 P6 層，使得初相較于 FPN 和分類網(wǎng)絡 backbone，DetNet backbone 的改動相對簡單，但是效果非常明顯， 即在后面幾層不做下采樣，而是增加 dilation，從而保留了一定空間分辨率的特征圖；同時也不能做太過，比如 8x，否則計算量會非常大。另外，

16、還會把 P6 加進去一直訓練。參考：DetNet: A Backbone network for Object Detection：/abs/1804.06218/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-這是 DetNet 的框架。上圖略掉了前 3 層，從第 4 層的輸入開始，每層之后會做一個 16x 的下采樣；做 ImageNet 預訓練時會接一個 14x14 GAP 和一個 FC-1000，訓練完之后再把這兩部分去掉?？梢钥闯?DetNet 結(jié)構(gòu)上來講和 FPN 一模一樣，只不過是把 ResNe

17、t-50 替換為 DetNet，想法直觀而簡單。DetNet（D）和 ResNet (R) 的結(jié)果對比，自依次是 ImageNet、COCO minival 和COCO test-dev 上的競賽結(jié)果?？梢钥闯龇诸惤Y(jié)果上 D-59（23.5）比 R-50（24.1）要優(yōu)，當然這可能是由于計算量大的，因此我們又設計了計算量相當?shù)?R-62，D-59 在結(jié)果上依然略9/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-優(yōu)；但是在 COCO minival 和 COCO test-dev 檢測結(jié)果上，D-59 要比 R-62 和 R

18、-50 高出很多。這里要說明的一點是，我們復現(xiàn)的 baseline 要普遍高于上的 baseline。在 D-101 和 R-101 的對比中，結(jié)果也是一致的。接著，對 DetNet 的漲點做一些更細致的拆分，主要表現(xiàn)為，對于大物體來講，DetNet 增加了網(wǎng)絡的能力，比如從 AP_85 從 34.5 漲點至 40.0；對于小物體來講，則增加了其 recall 能力，比如 AP_50 從 60.0 漲點至 66.4。10/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-這里是 DetNet 作為 backbone 與當前最佳

19、模型的對比結(jié)果，上圖中的上半部分表示檢測的對比結(jié)果，下半部分是分割的對比結(jié)果；可以看出以 DetNet-59 作為 backbone 的模型 FPN 和Mask R-在 mAP 等多項指標上漲點還是很明顯的，雖然其中有復現(xiàn) baseline 的，但還是無法掩蓋漲點的事實。你會發(fā)現(xiàn)，只是簡單改變 backbone 的結(jié)構(gòu)，就帶來很大的漲點，所以DetNet 的工作意義非常大。最后總結(jié)一下：backbone 作為神經(jīng)網(wǎng)絡的重要模塊之一，提供了基礎的特征表示，但是非常耗費計算量，通過實驗我們發(fā)現(xiàn)，對于一些 single-stage 網(wǎng)絡，backbone 的計算量占比最高可達 90%；backone

20、 通常是分類任務而設計的，對于檢測任務并不友好，DetNet 最有價值的一點在出一種新思路，在設計 base m時更加注重其泛化能力，使其適用于檢測、分割或者關鍵點等不同任務，而不僅僅局限于分類任務，DetNet 希望做一種拋磚引玉的工作；DetNet 是第一個力。檢測任務而設計的骨干網(wǎng)絡，并朝著兼得感受野和空間分辨率的努Head第二個細節(jié)點是 Head。Head 是一個神經(jīng)網(wǎng)絡的“頭部”。two-stage 檢測器長久以來的一個問題是速度的提升，從R-到 Fast R-到 Faster R-再到 R-FCN，本質(zhì)上就做一件事情。從框架的角度講，R的速度非常慢，慢到讓人無法想象，檢測一需要很多

21、秒，從角度講這是不可思議的；迭代到 R-FCN 時，1 秒鐘最多可以檢測 5，這和 one-stage 檢測器YOLO 和 SSD 相比依然沒有競爭力。那么，如何設計一個 two-stage 檢測器，使其既有 YOLO 這樣的速度，同時又保證性能？11/262018/8/20我們可以從網(wǎng)絡兩個最R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-的東西（backbone 和 head）著手，把 backbone 變的更小、更合理；把 head 變輕，則是曠視的另一項成果 Light Head R的工作。Light Head R Light Head

22、R 時，F(xiàn)aster R-的代碼已開源。常見的 two-stage 方法有兩個： Faster R-和 R-FCN，實際上是這兩種方法的一個結(jié)合體。由于 proposal 不可復用，當其不斷增多網(wǎng)絡的計算量會陡增；R-FCN 正是為此而生，它解決了復用的問題，但是空間分辨率卻丟失很多，因此通過增加大量的通道（channel）彌補這一損失，導致通道過多（4000+ 維），特征圖層很厚。Light Head R所做工作就是去除這些過多的通道，發(fā)現(xiàn)對速度影響很明顯，對結(jié)果幾乎沒有影響，不掉點；前面會接一個 large separable convolution，它起到類似于 large kernel

23、 的作用，可以縮小特征圖層。另外一個和 R-FCN 的區(qū)別是，Light Head R的 head 部分是一個全連接層（連接到 PS ROIpool/Align），這非常本質(zhì)，影響非常大。因此，Light Head R本質(zhì)的改進主要有兩點：一是 head 可以做到非常薄；二是很多計算量可復用，從而大大提高了速度。參考：Light-Head R-: In Defense of Two-Stage Object Detector：/abs/1711.0726代碼：.com/zengarden/li12/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond R

24、etinaNet and Mask R-這里是 Light Head R的一些結(jié)果。有兩個 baseline：Faster R-和 R-FCN。可以發(fā)，則又漲點至現(xiàn)，如果加 Large Kernel，mAP 則漲點至 35.9；再加上 Light Head R-37.7，效果很明顯；這只是漲，如果再加上 PS ROI Align，更改 NMS 閾值，大概還可以再漲兩個點。如果對比上述的兩個優(yōu)秀工作 RetinaNet 和 Mask-R-顯。以上是從大模型的角度講，性能要好于市面上的其他同等模型。，可以看到漲點依然非常明我們想強調(diào)的一點是，即使從小模型的角度講，速度的提升依然非常亮眼。這主要是因

25、為通過把head 做大大加快了網(wǎng)絡的速度。Light Head R以 Xception-145 （145 表示 145 MFLOPs）作為 backbone，速度可以實現(xiàn)很大的提升，同時性能保持在較高水平。13/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-通過與市面上主流的小模型相對比，同等速度下比性能，同等性能下比速度，Light Head R都是領先的。當然由于設備、硬件平臺不一樣，其中可能會有一些別。，但是造成本質(zhì)的差參考：Xception: Deep Learning with Depthwise Separab

26、le Convolutions： /abs/1610.0235同時，Light Head R版的工作也在進行之中，提前預告一下。這可能是第一個把 two-stage 檢測器在上運行起來，同時性能又比較合理有意義的一個算法?？偨Y(jié)一下，Light Head R的初衷是做，并在性能和速度之間實現(xiàn)了一個很好的權(quán)衡，具體細節(jié)做法通過使用 Large Kernel 和更小更薄的特征圖，把全連接層接在 ROI pool 之后。最后要強調(diào)的一點是 Light Head R還可以做成端的。Scale14/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaN

27、et and Mask R-第三個細節(jié)點是 Scale。在很多的目標檢測場景之下，Scale 的變化會非常大，一像上經(jīng)常會出現(xiàn)不同 scale 的物體?；?Anchor 的做法問題在于預設性，預設處理。之內(nèi)的物體檢測做的比較好，之外的則不能很好地先前的工作比如 SSD 和 FPN 等是一類方法，采取分而治之的策略，缺點是 scale variation 比較受限；CVPR 2018 有篇 oralSNIP（Scale Normalization for Image Pyramids），它代表了另一類工作，但是最大的問題在于推斷速度較慢。那么如何在變化與推斷速度之間實現(xiàn)一個很好的權(quán)衡呢？參考：

28、An Analysis of Scale Invariance in Object Detection - SNIP：/abs/1711.081815/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-SFace 是曠視最近的一個工作，本質(zhì)上是做人臉檢測。目前的很多方法是基于 Anchor 的，好處是可以對 anchor 覆蓋的尺度進行較好的，壞處是難以所有尺度的人臉。同時還有很多方法不使用 anchor，比如 DenseBox，優(yōu)點是可以覆蓋不同尺度的人臉，缺點是SFace 的想法也很簡單，就是吸收整合了上

29、述兩種方法的長處。能力較差。所以參考：SFace: An Efficient Network for Face Detection in Large Scale Variations： /abs/1804.065516/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-SFace 采用 FPN 結(jié)ackbone 是 Xception-39（39 表示 39 M FLOPs），然后 head 有兩個分支，一個是 anchor-based，另一個是 anchor-free。實驗發(fā)現(xiàn)這兩個分支的評分（score）不

30、是很一致，不在同一個范圍之內(nèi)，因此加入 IOU 進行 rescore，保證最后得到的 scale 差別不 大。這里是 SFace 的一些結(jié)果。圖的上半部分是 WiderFace 數(shù)據(jù)集上 SFace 與一些當前最優(yōu)模型的對比，可以看出還是非常有優(yōu)勢的，特別是下半部分，在不同輸入大小的情況下，SFace定的精度，同時速度又非?？臁Ｔ诓辉龊?，這一工作還是非常有價值的。度 overhead 的情況下，同時又把 scale 這個問題解17/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-總結(jié)一下，SFace 的主要工作即是通過整合

31、anchor-based 和 anchor-free 兩種方法來解決 scale 問題；其次，在這項工作中還引入了一個叫做 4K Face 的數(shù)據(jù)集，專門用來解決人臉檢測中的變化問題。Batch Size第四個細節(jié)點是 Batch Size。在一般的目標檢測框架中，batch size 往往很小，比如 R-和 Faster R的為 2；在一些最新的工作比如 RetinaNet 和 Mask R中，batch size 也僅為 16；相比之下，在ImageNet 中分類模型的 batch size 一般設為 256?？梢钥吹絻烧叩?gap 非常大。我們因此假設，把目標檢測的 batch size

32、 調(diào)大會有什么效果呢？或者反過來講，batch size 很小存在哪些問題？主要有三個潛在的問題。一是訓練時間較長，二是 BN 統(tǒng)計確，三是正負樣本比例失衡。之前也有工作試圖解決這些問題，即質(zhì)上是在通道上做一些歸一化的操作。的Group Normalization，它本參考：Group Normalization：/abs/1803.084918/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-同樣這些問題，曠 視有一項新工作叫 MegDet。下面直接介紹一下結(jié)果，細節(jié)請見論文。上圖中橫軸為訓練時間軸，縱軸

33、為 COCO 結(jié)果。假設把 batch size 調(diào)到 256，它會很早收斂，如果 batch size 是 16，則收斂時間非常長。同時最有意義的一點是收斂點的精度更好。這是batch size 大的一個潛在好處。參考：MegDet: A Large Mini-Batch Object Detector：/abs/1711.072419/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-MegDet 的實現(xiàn)并不難，主要是學習率 warmup 策略和跨卡批歸一化（CGBN）的工程實現(xiàn)。曠視據(jù)此拿下了 COCO

34、 2017 物體檢測的冠軍，這是目前市面上可以找到的最高結(jié)果。開頭的實例就是拿 MegDet 跑的，雖然這個結(jié)果已經(jīng)非常之高，但實際上仍然存在很多可做優(yōu)化的潛在問題。Crowd第五個細節(jié)點是 Crowd。目標檢測領域中想做，做的不多并且一直不 solid 的一個場景就是 crowd。目前，無論是傳統(tǒng)或者現(xiàn)代物體檢測技術(shù)，一個 NMS（Nonum Suppression） 操作來去除多余的候選框，它作為一個后處理步驟加在算法的最后。一般來講，NMS 在通用物體檢測數(shù)據(jù)集比如COCO 和 VOC 上是沒問題的，這些數(shù)據(jù)集本質(zhì)上并不 crowd。真實場景中 crowd 情況非常多，但是由于缺乏相應的

35、數(shù)據(jù)集，導致這一問題并沒有在學術(shù)圈重視起來。為解決這一問題，曠視引入了一個新數(shù)據(jù)集CrowdHuman，希望學術(shù)界引起對這件事情的重視，希望大家一起協(xié)力優(yōu)化這一方向，希望共同努力在 crowd 場景下把目標檢測做的更好、。20/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-這一方向上已有兩個相關工作在嘗試。ICCV 2017 有一個叫做 Soft-NMS 的工作，通過一行代碼改進 NMS；微軟資深研究員有一個 CVPR 2018 的工作Relation Networks，嘗試用端到端方式去學習 NMS，邏輯上講還是非?？茖W

36、的。但是上述兩個工作并沒有涉及最本質(zhì)的問題benchmark，從而缺乏了一個科學的衡量標準。參考：Soft-NMS - Improving Object Detection With One Line of Code： /abs/1704.0450Relation Networks for Object Detection：/abs/1711.115721/262018/8/20R Ta k | 曠視科技目標檢測概述：Beyond RetinaNet and Mask R-因此，曠視推出了 CrowdHuman，并已開源。這個 benchmark 的特點是主要做行人檢測，一方面，數(shù)據(jù)標注涵蓋頭部位置，的可見框和完整框，并且人框與頭框之間有綁定關系；另一方面，通過實驗我們發(fā)現(xiàn)該數(shù)據(jù)集有一定的泛化能力，經(jīng)過 CrowdHuman 預訓練之后，在頭部/行人等其他數(shù)據(jù)集上一定程度的漲點。最重要的一點是，這個數(shù)據(jù)集非常 Crowd！參考：CrowdHuman: A Benchmark for Detecting Human in a Crowd： /abs/1805.0012：22/262018/8/20R Ta k | 曠視